20196

۲۰۱۹۶

ارائه يك الگوريتم يادگيري ماشين براساس تئوري خودآگاهي فضاي كاري سراسري

كارشناسي ارشد

هوش مصنوعي و رباتيكز

۱۳۹۵

۱۳۹۷/۱۲/۱۳

دكتر محمدرضا كنگاوري

كامپيوتر

يادگيري ماشين زيرمجموعه هوشمصنوعي ميباشد. الگهوريتمههاي يهادگيري ماشهين يهك مهد رياضي از دادههاي نمونه كه به عنوان دادههاي آموزشي شناخته ميشود، ميسازد تها بتوانهد داده- هاي جديد را پيشبيني كند. هدف از اين پاياننامه، تهفش در رفهع يهك نقيصهه عمهده در حهوزه يادگيري ماشين است. ضعف اساسي اين است كه روشهاي ارائه شده در حهوزه يهادگيري ماشهين توجه لازم را به حوزه يادگيري در انسان نداشتند، لهذا از دسهتاوردهاي روانشناسهان شهناختي در تحقيقات خود استفاده لازم را ننمودهاند و به تبع آن الگهوريتم ههاي يهادگيري ماشهين در حهوزه مهندسي كاربرد داشتند تا اينكه به اهداف واقعي خودشان در هوش مصنوعي دست پيدا كنند. در ادامه در اين پروژه بين مد هاي روانشناختي در روانشناسي شناختي با حوزه يهادگيري ماشهين ارتباط بهتري برقرار ميشود. در اين پاياننامه ما از آموخته هاي روانشناسان شناختي و دسهتاوردهاي مهد ههاي شهناختي در هوش مصنوعي تحقيقات انجام شده در دانشگاه ممفيس تحت عنوان پروژه LIDAما بهرهگيهري كرديم كه به مبحث خودآگاهي و كاربرد آن و عملياتيسازي آن در سطح ماشين پرداخت است. در ده سا گذشته عفقهاي مضاعف در حوزه خودآگاهي وجود داشته است.در معمهاري LIDAاز تئوري فضاي كاري سراسري را پيادهسازي كرده است. ما در ايهن پهژوهش تئهوري فضهاي كهاري سراسري را در الگوريتمهاي يادگيري ماشين به كار گرفتيم.روش ما به اين صورت هسهت كهه ههر الگوريتم پايهاي ميتواند استفاده شود. در محيطهاي مختلف تست كرديم، روي جريانههاي داده و دادههاي استاتيك تست كرديم. نتيجه نشان داد كه كارايي الگوريتم كم نميشود وليكن مهيتهوان اين كارايي را افزايش داد. مثف در محيطهاي نويزي به طور متوسط افزايش داشتيم. يها در حالهت عادي روش ما بهبود داشته است. بنابراين تستها نشان ميدهد كه اين ديدگاه در صورت توسعه و بهبود ميتواند موفقتر از ساير الگوريتمها عمل كند. اميدوار هستيم بها بهبهود كهار در پهروژهههاي ديگر نتايج به مراتب بهتري عايد شود. واژههاي كليدي: خودآگاهي، يادگيري ماشين، تئوري فضاي كاري سراسري .

1397/12/21

3/4/2019 12:00:00 AM

Machine learning is an importan brach of Artificial Intelligence. Machin learning algorithms create a mathematical model from input data, which are known as training data, to predeict new input data. In this thesis we are going to solve a fraud in machin learning domain. The critical defect is that most of proposed algorihms in learning domain do not pay attnetion to human learning concepts; hence they do not use the cognitive psycological outcome in their research. Respectivley the proposed machine learning algorithms applications is in engineering context rather than in artificial intelligence. In thid thesis we have created a strong bound between cognitive learnong and machin learning domin. In this thesis we used cognitive learning achievements in AI domain attained in Memphis University called LIDA in order to use the concept of consciousness and its applications on machine level. In the last decade there has been a lot o interests in consciousness learning. In LIDA architecture, global work space theory is been implemented. We have used global workspace theory in machine learning algorithms. In our approach every basic algorithm can be used. We have tested the approach envitonments consists of streaming or static data.The results in our tests show that the algorithm performance can be enhanced rather than being reduced. For instance we had an average increase in noisy environment or normal situations. So based on our test results we can infer that by optimizing our theory we can have better algorithm compared to other algotithms. We hope better results are achieved in other projects. Keywords: consciousness, machine learning, global workspace theory.